基于孪生卷积神经网络与三元组损失函数的图像识别模型.pdfVIP

软件开发

基于孪生卷积神经网络与三元组损失函数的图像

识别模型

张安琪

（北京师范大学第二附属中学，北京，100088）

摘要：深度学习作为近年来迅速发展的全新领域，在科学研究与工业生产等方面受到了广泛的关注。其中，卷积神经网络(Convolutional

neutralnetworks,CNN)作为深度学习中一种经典的神经网络架构，已在图像分类、人脸识别以及信号处理等领域得到了广泛的应用。

在此基础上，本文对传统CNN结构进行改进，取消了CNN输出层用于普通分类的Softmax函数，采用基于孪生神经网络(Siameseneutral

networks)的CNN架构，并使用三元组损失(TripletLoss)作为图像分类的目标损失函数。为检验模型效果，我们在国际数据建模和数据分析

竞赛平台Kaggle的座头鲸图像识别挑战赛上运用该模型。

关键词：图像识别；卷积神经网络；孪生神经网络；三元组损失；Kaggle

机器学习作为人工智能的重要领域，近年来在理论、算样本在特征空间上的距离。若用d表示两个样本之间的距

法和应用等方面都获得飞速的发展与巨大的成功[1]。其中，离函数，则三元组损失原理可表示为:

相较于浅层的机器学习模型，深度学习善于从原始输入数据d(A,P)+α≤d(A,N)(1)

中挖掘出较为抽象的特征，从而在数据建模与特征提取上表其中A,P,N分别表示锚样本，正样本与负样本，a为

现出显著的优势[2]。随着数据量的爆炸式增长和运算能力的设定的同类样本与异类样本的距离间隔。根据公式(1)，三

大幅度提升，深度学习已经在在语音识别、图像分类、自然元组损失的目标函数定义为：

语言处理与在线广告精准投放等领域取得显著的进展[2]。卷TripletLoss=1Nmax{d(A,P)−d(A,N)+α,0}(2)

N∑iiii

积神经网络(Convolutionalneutralnetworks,CNN)作为i=1

其中N为样本三元组总数。

深度学习中一种经典网络架构，其局部连接及池化操作等特

性，有效降低了网络模型的复杂度并减少了权值的数量，具

有较强鲁棒性和容错能力，且易于训练和优化[3]。近年来，

卷积神经网络在图像分类、目标检测与人脸识别等多个计算

机视觉任务中都取得了突破性的成果。然而，运用传统卷积图1三元组损失(TripletLoss)原理图[5]

神经网络进行多任务分类时，往往采用Softmax激活函数，

使得在分类类别增加时需要对神经网络进行再训练，从而大2孪生卷积神经网络结构

大增加了计算负荷。另一方面，传统卷积神经网络的训练

依赖于大量的训练样本，从而在执行单样本学习(One-shot

learning)时效果不佳。为解决上述问题，Bromley等人提

[4]

出了孪生神经网络(Siameseneutralnetworks)结构。

该网络有两个相同的子网络，且共享参数和权重，通过计算

两个子网络输出向量的距离来确定两个可比较对象的相似

程度。本文在孪生神经网络结构基础上，使用三元组损失

(Tr